本研究提出了一种基于分子分散度最大化和原子分散度最小化的方法去构建实际应用的语言理解数据集，并通过分析三个多层次深度学习架构的表现来量化比较这种方法与其他构建复合语言理解测评基准的方法，研究表明现有的机器学习方法在复合语言理解上处于局限性表现，且都表现出惊人强的负相关性，研究结果可应用于构建和优化大规模自然语言处理应用系统。

Dec, 2019

本文研究了预训练语言模型是否能够在现实环境中进行构成泛化和对新元素进行合成，主要通过设计反事实食谱生成任务，使用中文菜谱数据集进行进行预训练语言模型的微调，结果表明这些模型生成的食谱虽然文字流畅，但缺乏真正的构成泛化能力和对烹饪知识的学习和应用。

Oct, 2022

通过对不同数据因素（包括数据集规模、模式复杂度和示例难度等）的多样化训练集进行实证分析，本研究发现增加数据集复杂性有助于提高模型在多个不同泛化挑战上的泛化行为，并且展示了更复杂的数据集提供更多样化示例以增强组合性理解效果，并减少示例的重复频率以避免不可泛化的记忆，同时强调了简单示例在合成数据集上引发比复杂示例更强的组合性，而在更大规模的真实语言数据集上，简单和复杂示例的平衡混合能够诱导出最强的泛化能力。

Nov, 2023

通过翻译 MCWQ 数据集，我们证明不同语言具有不同的组合泛化能力，同时多语种模型仍然难以实现跨语言组成泛化。

Jun, 2023

开发一个基于分布的合成性评估框架，利用 Europarl 翻译语料库创建训练集和测试集，测试神经机器翻译系统在未训练依赖关系上的能力。

Nov, 2023

介绍了 CLUE 组织发布的 NER 数据集 CLUENER2020 ，它是一个细粒度的、为中文命名实体识别而设计的数据集，包含 10 类别，并且更具挑战性。针对该数据集，实现了几种当前最先进的序列标记任务方法，报告了人类表现及其分析，并发布了该数据集、基线和排行榜。

Jan, 2020

介绍了一个名为 “ChineseFoodNet” 的新型大规模食品图像数据集，旨在自动识别中国菜；该数据集包含 208 类别的 18 万多个食品照片，通过使用深度卷积神经网络与投票方法的机器学习方法，该方法在验证集和测试集分别达到了 81.43％和 81.55％的 top-1 精度。

May, 2017

文章介绍了如何从不同来源的食谱数据集中提取所需信息并对其进行格式标准化，从而实现对营养成分的预测。使用命名实体识别和外部领域特定资源进行转换，生成具有预定义成分及食谱嵌入的语料库，并应用于机器学习流程，得到了比基准段表现更好的结果。

Feb, 2023

通过从中国最大的社交媒体平台微博获取数据，我们编制了一个包含 5000 个微博帖子和 18326 个对应图片的中文多模态命名实体识别数据集（CMNER）。我们在 CMNER 上进行了基准实验，结果表明将图像与 NER 相结合的有效性。此外，我们还在公开的英文多模态命名实体识别数据集（Twitter2015）上进行了跨语言实验，结果证实了中文和英文多模态 NER 数据可以相互增强 NER 模型的性能。

Feb, 2024

本文通过构建名称为 CATER 的视频数据集，从而提供了深入理解深度视频架构的诊断工具。在该数据集中，场景和对象的结构充满着隐含的偏见，这可以掩盖时间结构的变化，因此需要时空理解才能真正解决。

Oct, 2019